Задача. Машинное обучение, код в Python, лучше выполнить в Google Colab.
1. Загрузите данные. Используйте датасет с ирисами. Его можно загрузить непосредственно из библиотеки Sklearn. В данных оставьте только 2 класса: Iris Versicolor, Iris Virginica.
2. Самостоятельно реализуйте логистическую регрессию, без использования метода LogisticRegression из библиотеки. Можете использовать библиотеки pandas, numpy, math для реализации. Оформите в виде функции. *Оформите в виде класса с методами.
3. Реализуйте метод градиентного спуска. Обучите логистическую регрессию этим методом. Выберете и посчитайте метрику качества. Метрика должна быть одинакова для всех пунктов домашнего задания. Для упрощения сравнения выберете только одну метрику.
4. Повторите п. 3 для метода скользящего среднего (Root Mean Square Propagation, RMSProp).
5. Повторите п. 3 для ускоренного по Нестерову метода адаптивнои? оценки моментов (Nesterov–accelerated Adaptive Moment Estimation, Nadam).
6. Сравните значение метрик для реализованных методов оптимизации. Можно оформить в виде таблицы вида |метод|метрика|время работы| (время работы опционально). Напишите вывод.
Лия
РГРТУ
Работа выполнена за маленький срок, все отлично, спасибо)будем сотрудничать дальше.
Михаил
НГТУ
Были маленькие недочеты, но в целом все хорошо! Работой доволен! Спасибо!
Андрей
СПБГУПТД
Молодец Ольга.Сделано все хорошо и понятно.и самое главное - аккуратно!
Иван
ЗабГу
Все просто супер и оперативно! Респект и уважение за скорый отклик и помощь!!!